Phát triển phương pháp phân tích định lượng tín hiệu iEMG chi trên hỗ trợ chẩn đoán bệnh lý (TT)

BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

Phạm Mạnh Hùng

PHÁT TRIỂN PHƯƠNG PHÁP PHÂN TÍCH ĐỊNH LƯỢNG TÍN
HIỆU iEMG CHI TRÊN HỖ TRỢ CHẨN ĐOÁN BỆNH LÝ

Chuyên ngành: Kỹ thuật điện tử
Mã số: 62520203

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỆN TỬ

Hà Nội – 2016


Công trình được hoàn thành tại:
Trường Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học:
PGS.TS. NGUYỄN VĂN KHANG

Phản biện 1:
Phản biện 2:
Phản biện 3:

Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp
Trường họp tại Trường Đại học Bách khoa Hà Nội
Vào hồi …….. giờ, ngày ….. tháng ….. năm ………

Có thể tìm hiểu luận án tại thư viện:

1. Thư viện Tạ Quang Bửu - Trường ĐHBK Hà Nội
2. Thư viện Quốc gia Việt Nam


GIỚI THIỆU LUẬN ÁN
Tính cấp thiết của đề tài nghiên cứu
Các bệnh cơ có thể gây ra những khuyết tật thể chất nghiêm
trọng, có thể dẫn tới mất khả năng vận động thậm chí có thể tử
vong. Trong số các bệnh nhân bệnh cơ, có nhiều bệnh nhân đã
được chữa khỏi, hoặc giảm mức độ bệnh tật nhờ được phát hiện
và điều trị kịp thời. Chẩn đoán điện cơ đồ là phương pháp xác
định bệnh cơ mà trong đó nguyên nhân gây bệnh xuất phát từ cơ
và yếu cơ do rối loạn thần kinh cơ sử dụng tín hiệu điện cơ. Tín
hiệu điện cơ kim (intramuscular Electromyography – iEMG) là tín
hiệu phản ánh hoạt động điện sinh học của tổ chức cơ được thu
bằng điện cực kim.
Định lượng điện cơ đồ (Quantitative ElectroMyoGraphy –
QEMG) là phương pháp phân tích tín hiệu EMG thành các thông
số định lượng. Các thông tin, thu được khi phân tích QEMG, giúp
giảm các yếu tố chủ quan của việc chẩn đoán, tăng độ chính xác
của chẩn đoán, tăng hiệu quả quá trình theo dõi điều trị. Sự phát
triển của công nghệ máy tính làm cho việc nghiên cứu về các
phương pháp QEMG trở nên dễ dàng và phổ biến hơn [3],[77]...
Tuy nhiên, hiện nay, các kỹ thuật QEMG tín hiệu iEMG
còn đóng vai trò hạn chế trong quá trình chẩn đoán lâm sàng. Bởi
vì, chúng phức tạp và tốn thời gian khi sử dụng và chưa có bộ tiêu
chuẩn cho việc chẩn đoán dựa vào tín hiệu iEMG được công nhận
rộng rãi. Do vậy, nghiên cứu để tạo ra các phương pháp QEMG
tốt hơn thu hút được nhiều nhà nghiên cứu. Các nghiên cứu hướng
tới các mục tiêu: (1) tăng hiệu quả sử dụng tài nguyên, (2) đề xuất

phát triển phương pháp QEMG có tính tự động cao và (3) tăng độ
tin cậy của thông tin thu nhận sau phân tích [25], [57], [58], [63].
Mục tiêu nghiên cứu của luận án
Mục đích nghiên cứu của luận án này là phát triển phương
pháp phân tích định lượng tín hiệu iEMG chi thành các thông tin
trợ giúp cho các bác sỹ trong quá trình chẩn đoán bệnh lý. Nghiên
cứu này hướng tới các mục tiêu cụ thể như: (1) Phát triển được
1


phương pháp QEMG tín hiệu iEMG chi có hiệu quả tính toán tốt
hơn một số phương pháp đã có, như giảm số phép toán, số bước
và số can thiệp vào trong quá trình phân tích định lượng tín hiệu;
(2) Đưa ra bộ thông số định lượng có khả năng hỗ trợ phân nhóm
tín hiệu theo các bệnh lý và bình thường có độ chính xác cao mà
có cách tính đơn giản hơn so với một số phương pháp trước; (3)
Đề xuất cách sử dụng các thông số định lượng có được để phân
loại tín hiệu, thông tin phân loại của tín hiệu có được là hữu dụng
cho việc đưa ra kết luận chẩn đoán bệnh lý.
Các đóng góp mới của luận án
1. Phát triển được phương pháp định lượng tín hiệu iEMG chi
gồm 3 bước tiền xử lý, phân tách các thành phần có ý nghĩa
trong tín hiệu và tính các thông số định lượng dựa trên các
thành phần có ý nghĩa có được. Phương pháp phân tích định
lượng được phát triển này có ưu điểm hơn một số phương
pháp trước đó về hiệu quả tính toán và tính hữu dụng của
thông số định lượng thu được.
2. Đưa ra được cách thức sử dụng các thông số định lượng có
được để phân loại tín hiệu iEMG theo các nhóm bệnh lý và
bình thường. Các phương pháp phân loại được phát triển

trên dựa trên mô hình xử lý thông tin mạng Artifical Neural
Network và kỹ thuật phân tích hồi quy Logistic, chúng cho
phép phân loại tín hiệu đạt độ chính xác cao, đạt trên 80%
khi thử nghiệm với bộ dữ liệu mẫu.
Cấu trúc của luận án
Luận án gồm 140 trang được chia thành các phần sau: Mở
đầu luận án có 6 trang. Chương 1: Tín hiệu điện cơ và ứng dụng
lâm sàng có 22 trang. Chương 2: Lựa chọn giải pháp phù hợp để
tiền xử lý tín hiệu iEMG chi có 22 trang. Chương 3: Phát triển
phương pháp phân tích định lượng tín hiệu iEMG chi có 41 trang.
Chương 4: Đề xuất phương pháp sử dụng các thông số định lượng
có được để phân loại các tín hiệu iEMG chi theo các nhóm bệnh
lý có 24 trang. Kết luận chung của luận án có 2 trang. Có 71 hình
vẽ và đồ thị; 21 bảng; 88 tài liệu tham khảo; và 1 phụ lục.
2


CHƢƠNG 1. TÍN HIỆU ĐIỆN CƠ VÀ ỨNG DỤNG
TRONG LÂM SÀNG
1.1. Tín hiệu điện cơ và đặc điểm bệnh lý
Trong cơ thể người, cơ vân với các xương và gân chịu trách
nhiệm về mọi hình thái vận động có ý thức. Đơn vị vận động
(Motor Unit - MU) bao gồm một tế bào thần kinh α và tất cả
những sợi cơ do chính tế bào kinh vận động α đó chi phối, là
thành phần cơ bản của hệ thống thần kinh vận động phân chia
theo chức năng chỉ huy hệ cơ và tạo ra vận động.
Khi nhận được tín hiệu kích thích co cơ, từ tế bào thần kinh
α, các sợi cơ của mỗi MU sẽ co gần như đồng thời, tạo ra một
điện thế hoạt động (Motor Unit Active Potential – MUAP) lan
truyền trong tổ chức cơ đó. Các MUAP có thể được thu lại bởi

thiết bị đo tín hiệu EMG. Trong xét nghiệm điện cơ đồ thường
quy, tín hiệu EMG kim (intramuscular EMG – iEMG) được đo
bằng điện cực kim đồng tâm để xem xét tình trạng cấu trúc và
mức độ hoạt động của tổ chức cơ [2], [9].

A

B

C

Hình 1.19. Hình thái của các MU và MUAP tương ứng với các bệnh lý
(A - Bình thường, B - bệnh rối loạn tế bào thần kinh α, C - bệnh lý cơ)

Khi bị rối loạn bệnh lý, cấu trúc và mức độ hoạt động của tổ
chức cơ thay đổi. Dẫn đến, tín hiệu iEMG sẽ có các biểu hiện bất
thường, ví dụ như: (1) khi bị rối loạn bệnh lý cơ, số lượng MUAP
tạo ra nhiều hơn nhưng biên độ tín hiệu lại nhỏ; và (2) khi bị các
bệnh lý thần kinh cơ, ta thấy ít MUAP hơn trong tín hiệu khi co
cơ mạnh, giảm kết tập và giao thoa không hoàn toàn, với nhịp
3


phóng điện của từng MUAP nhanh hơn. Dựa vào các dấu hiệu bất
thường trên tín hiệu EMG các bác sỹ đưa ra các chẩn đoán. Để
tăng hiệu quả chẩn đoán các công cụ phân tích tín hiệu được yêu
cầu sử dụng.
1.2. Các kỹ thuật phân tích QEMG hiện nay
Các kỹ thuật phân tích QEMG sử dụng máy tính được phát
triển từ những năm 1978, bao gồm: các phương pháp phân tích tín

hiệu iEMG trong các miền thời gian, miền tần số, miền không
gian - tần số, miền phi tuyến; các kỹ thuật phân giải tín hiệu
iEMG; và nhiều bộ thông số định lượng tín hiệu iEMG khác nhau
đã được giới thiệu. Hiện nay, một số phương pháp QEMG đã ứng
dụng, như: (1) Phương pháp phân tích MUAP thủ công, chuyên
gia điện cơ đồ xác định thủ công ra khoảng 20 MUAP khi xét
nghiệm; (2) Phương pháp phân tích MUAP tự động, công cụ sẽ
hỗ trợ phân tách ra từng MUAP mỗi lần đâm kim; (3) Phương
pháp phân tích mẫu xếp chồng, sẽ đo các tham số liên quan đến
biên độ - điểm uốn của tín hiệu iEMG; và (4) Phương pháp tự
động phân giải tín hiệu iEMG thành các thông tin giúp chẩn đoán.
Bệnh lý

Đơn vị vận động

Tín hiệu EMG

(cơ và thần kinh cơ)

Nguồn dữ liệu điện sinh học
Phân tích QEMG
và phân giải tín
hiệu EMG

Luồng thu nhân,
xử lý, và sử dụng
thông tin

Hệ thống CAD
(hộ trợ ra quyết

định chẩn đoán)
Hệ thống máy tính xử lý &
phân tích tín hiệu EMG

Chuyên gia điện cơ đồ

Hình 1.20. Chẩn đoán điện cơ đồ sử dụng máy tính

Phương pháp thứ 4 có tiềm năng cho hiệu quả chẩn đoán
cao, giảm sự ảnh hưởng tiêu cực của quá trình chẩn đoán đối với
đối tượng bị và thực hiện chẩn đoán. Tuy nhiên, vẫn còn một số
hạn chế như: phức tạp, chưa tối ưu và khó áp dụng thực tế...
4


1.3. Kết luận chƣơng 1
Để đưa ra các giải pháp kỹ thuật nhằm khắc phục một số
tồn tại của các phương pháp hiện có, nghiên cứu này đã thực hiện
các nội dung như được minh họa ở hình 1.21 dưới đây.

Hình 1.21 Các nội dung nghiên cứu của luận án

Phương pháp tạo ra cần phải xử lý tín hiệu iEMG chi có độ
phức tạp trung bình (thu mức co cơ bằng 30% mức có cơ cực đại).
---------------------------

CHƢƠNG 2. LỰA CHỌN GIẢI PHÁP PHÙ HỢP ĐỂ
TIỀN XỬ LÝ TÍN HIỆU iEMG CHI
2.1. Các yếu tố làm giảm chất lƣợng tín hiệu EMG
Tín hiệu EMG là tín hiệu điện thế chênh lệch giữa hai điện

cực đo và là tín hiệu tổng hợp từ nhiều nguồn khác nhau, được mô
tả dưới dạng biểu thức toán học (1) sau đây:
( )

∑

( )

( )

(2.1)

Trong đó: MUAPTj là MUAPT (MUAP Train - chuỗi
MUAP) của MU thứ j của bắp cơ;
là số lượng MU được kích
hoạt, n(t) là nhiễu lẫn trong tín hiệu.
Độ phức tạp của tín hiệu phụ thuộc vào khoảng cách điện
cực, cách đo và mức độ hoạt động của bắp cơ. Lực co cơ tỷ lệ
thuận với số lượng MUAPT trong tín hiệu điện cơ. Tín hiệu điện
cơ là tín hiệu nhỏ, biên độ đỉnh đỉnh nằm trong khoảng từ 0 đến
5


5mV, hoặc từ 0 – 1,5mV (RMS) (theo Basmajian và DeLuca
1985). Dải tần tín hiệu từ 0Hz lên đến 3kHz, trong đó năng lượng
tín hiệu tập trung trong dải từ 10Hz – 250Hz.

Hình 2.1. Mô hình minh họa việc thu nhận tín hiệu EMG

Có nhiều yếu tố khác nhau gây suy giảm chất lượng tín hiệu

EMG dẫn đến giảm chất lượng thông tin thu được, như:
 Nhiễu: trong tín hiệu EMG có nhiều loại nhiễu khác nhau
bao gồm nhiễu do nguồn điện lưới (lên đến hàng Volt
trong khi tín hiệu nhỏ cỡ mV), nhiễu do chuyển động và
nhiễu do các tín hiệu điện sinh học khác.
 Méo dạng do mạch xử lý tương tự: tín hiệu EMG khi đi
qua các mạch xử lý tương tự, bao gồm bộ khuếch đại và
các bộ lọc, độ trung thực của tín hiệu bị suy giảm.
 Sai số do quá trình số hóa tín hiệu EMG: gây ra khi tần số
lấy mẫu tín hiệu không đủ lớn và độ phân giải tín hiệu
thấp. Hiện nay, tín hiệu iEMG thường được số hóa với
tham số Fs khoảng 20kHz, độ phân giải trên 16 bít.
2.3. Khảo sát khả năng triệt nhiễu của mạch đo
Để thu được tín hiệu EMG có chất lượng đảm bảo, một loạt
các giải pháp được áp dụng để tăng tỷ số SNR, tăng tỷ số CMRR,
giảm nhiễu cảm ứng, hạn chế sử dụng các mạch lọc tương tự,
dùng bộ chuyển đổi ADC chất lượng cao và cách ly nguồn.
Trong nghiên cứu này tác giả đã khảo sát sự ảnh hưởng của
nhiễu lên mạch đo tín hiệu EMG theo các giải pháp tăng cường
6


chất lượng bằng phần cứng đã được nghiên cứu và giới thiệu.
Mạch đo khảo sát được mắc theo sơ đồ khối hình 2.6.

Hình 2.6. Sơ đồ khối của mạch đo tín hiệu EMG

Kết quả cho thấy các thành phần nhiễu lớn có thể được loại
bỏ bởi phần mạch, trong tín hiệu EMG chỉ còn một số nhiễu tần
số thấp gây trôi đường cơ sở và nhiễu tần số cao.

2.4. Tiền xử lý tín hiệu iEMG chi bằng các bộ lọc số
Hình 2.13 thể hiện dạng sóng tín hiệu iEMG chi, trong đó
dễ thấy có hai thành phần nhiễu tần số thấp và nhiễu tần số cao.

Hình 2.13. Tín hiệu iEMG có lẫn một số nhiễu

Có nhiều cách triệt nhiễu khác nhau đã được được sử dụng.
Tuy nhiên, dựa vào đặc trưng và yêu cầu xử lý tín hiệu iEMG chi,
tác giả lựa chọn sử dụng các bộ lọc số có đáp ứng pha bằng
không, được tổng hợp từ bộ lọc Butterworth, tạo ra dải thông là
20Hz – 2kHz, để lọc bỏ các thành phần không mong muốn. Bộ
lọc này có ưu điểm là dễ dàng thực hiện và không gây méo dạng
tín hiệu.
7


Trước lọc

Sau lọc

Hình 2.17. Phổ tín hiệu trước và sau lọc theo khuyến nghị

2.5. Kết luận chƣơng 2
Giải pháp phù hợp để tiền xử lý tín hiệu iEMG chi, có sự
ảnh hưởng của nhiễu nhỏ, là sử dụng các bộ lọc số có đáp ứng pha
bằng không, tạo ra dải thông là 20Hz – 2kHz.
---------------------------

CHƢƠNG 3. PHÁT TRIỂN PHƢƠNG PHÁP PHÂN
TÍCH ĐỊNH LƢỢNG TÍN HIỆU iEMG CHI

3.1. Đặt vấn đề
Định lượng điện cơ đồ là quá trình chuyển đổi, rút gọn tín
hiệu iEMG thành các thành phần đặc trưng (là các thông số hoặc
chuỗi dữ liệu). Theo các phương pháp QEMG đã được giới thiệu,
sau các bước xử lý, tín hiệu EMG được chuyển thành các thông số
ở miền thời gian, miền phi tuyến, miền không gian - tần số,… Tuy
nhiên, hiện nay, chưa có phương pháp QEMG nào được coi là tối
ưu, các nghiên cứu vẫn đang được tiếp tục, nhằm tối ưu hơn, tăng
độ tin cậy của thông tin thu được, giảm sự phức tạp khi sử dụng
của các phương pháp.
Trong nghiên cứu này, tác giả đề xuất một phương pháp
QEMG mới dựa trên việc phân tách hiệu quả các thành phần có ý
nghĩa trong tín hiệu, là các đoạn điện thế tích cực (Active
Potential Segment – APS) và các điểm uốn có ý nghĩa trong chẩn
đoán. Từ các thành phần có ý nghĩa xác định được và phân tích
Poincaré, tác giả đề xuất tính 14 thông số định lượng tín hiệu
8


iEMG hỗ trợ phân loại tín hiệu theo bệnh lý. Hình dưới mô tả
phương pháp QEMG tín hiệu iEMG chi được tác giả đề xuất và
phát triển.

Hình 3.1. Quy trình định lượng tín hiệu iEMG được đề xuất

3.2. Phƣơng pháp xác định các thành phần có ý nghĩa
chẩn đoán trong tín hiệu iEMG chi
Trong nghiên cứu này, tác giả phát triển phương pháp xác
định các thành phần có ý nghĩa dựa trên sự kế thừa ưu điểm và
khắc phục nhược điểm của hai phương pháp và do Christodoulos

[19] và Nikolic [63] đề xuất sử dụng. Lưu ý, tín hiệu iEMG chi sẽ
được tiền xử lý theo khuyến nghị được đề cập ở chương 2 trước
khi thực hiện các phép phân tích tiếp.
3.2.1. Xác định các APS có trong tín hiệu iEMG chi
Một APS là một đoạn tín hiệu chứa một hoặc nhiều MUAP
xếp chồng. Hiện nay có 4 phương pháp phát hiện các đoạn APS
trong tín hiệu là: (1) Phương pháp sử dụng cửa sổ cố định để tách
các đoạn tín hiệu có biên độ đỉnh lớn hơn một ngưỡng T [16]; (2)
Phương pháp dựa trên việc xác định vị trí đỉnh đoạn APS và lấy
về hai phía của nó một khoảng cố định; (3) Phương pháp sử dụng
biến đối Wavelet sử dụng các hàm mẫu Daubechies; và (4)
Phương pháp sử dụng hai ngưỡng (thrpl và thrpd) để xác định vị
trí bắt đầu và kết thúc của đoạn APS trên tín hiệu biến động v(n).
Các phương pháp nói trên đều có các ưu nhược điểm khi sử dụng.
9


Phương pháp được tác giả phát triển thực hiện quy trình xác
định các APS trong tín hiệu iEMG theo các bước như sau:
Bước 1: Tính tín hiệu biến động v(n) theo công thức sau:
[

]
[

với

Trong đó
( ),

,
và

(

) (3.4)
]

(3.5)

lần lượt là giá trị thứ i và i+1 của chuỗi
lần lượt là giá trị thứ
và

của chuỗi tín hiệu ( ), là giá trị trung bình của
các trong N mẫu, cửa sổ có độ rộng 3ms được tác giả lựa chọn,
( )
do đó N =
mẫu. Khi tính theo công thức 3.4 số
lượng phép tính sẽ giảm xuống
lần so với cách tính của
Nikolic [63] đề xuất sử dụng.
Bước 2: Tính ngưỡng thrpl theo công thức sau:
(
)
(3.7)
Trong đó: blmv là trung bình cộng của các có giá trị nhỏ
hơn thrpd/3; thrpd được xác định theo biểu thức điều kiện là
∑
∑

* +
thì
còn không
* +

, với max{vi} là giá trị cực đại của v(n) và L là
độ dài của chuỗi v(n). Cách tính ngưỡng
này (tính trực tiếp
từ biểu thức điều kiện) đơn giản hơn so với phương pháp của
Nikolic đề xuất sử dụng. Khi có được ngưỡng
điểm bắt đầu
(bi) và kết thúc (ei) của mỗi APS là các điểm giao giữa các đoạn
tín hiệu v(n) liên tục với đường thẳng ngưỡng
.
3.2.2. Xác định các điểm uốn trong đoạn tín hiệu
Các nghiên cứu trước đây sử dụng hai phương pháp do
Willison [32] và Stalberg [78] đề xuất, theo đó các tín hiệu được
chia theo bước biên độ hoặc thời gian chọn trước. Ở đây, tác giả
phát triển phương pháp tìm điểm uốn trên sóng tín hiệu iEMG
mới theo phương pháp tìm cực trị của Eli Billauer [36] (hình 3.9).
10


Hình 3.9. Lưu đồ thuật toán của phương pháp tìm điểm uốn

Hình 3.9 là lưu đồ thuật toán được tác giả sử dụng để tìm
điểm uốn cho tín hiệu iEMG, trong đó delta (= ±25mV) là khoảng
cách tối thiểu giữa hai cực trị xác định được. Hình 3.10 minh họa
kết quả áp dụng thuật toán tìm điểm uốn trên đoạn APS có được.

Hình 3.10. Các điểm uốn được xác định trên đoạn APS

3.2.3. Xác định các đoạn APS có ý nghĩa chẩn đoán
Các đoạn APS xác định được được coi là có ý nghĩa chẩn
đoán nếu nó có biên độ đỉnh lớn nhất (hoặc nhỏ nhất) lớn hơn
ngưỡng Tp (hoặc nhỏ hơn ngưỡng Tn). Trong đó, ngưỡng Tp và
Tn được tính theo các biểu thức điều kiện sau: (1) Nếu
* +
∑
∑
thì
không thì
* + ; và (2) Nếu
* +
∑
∑
thì
* + , với
* +,
* + và L lần lượt
không thì
là giá trị cực đại, cực tiểu và độ dài của chuỗi ( ).
11


Hình 3.12. Cách xác định các APS có ý nghĩa trong tín hiệu iEMG

3.3. Bộ thông số định lƣợng tín hiệu iEMG chi
Với các APS ý nghĩa xác định được, các tham số biên độ
(Ai), thời khoảng (Di), số pha (Pi) và số điểm uốn (Ti) của mỗi

đoạn APSi sẽ được xác định.

Hình 3.12. Dạng sóng và các tham số của mỗi đoạn APS

Tiếp theo, các thông số định lượng trung bình (xA), phương
sai (sA) biên độ của các APSi và tỷ lệ thời gian biến động (rAPS)
của tín hiệu iEMG được tính toán như sau:
∑
̅
√

∑

(mV)
(

∑

̅ ) (mV)
(%)

12

(3.8)
(3.12)
(3.16)


Tương tự, các thông số định lượng khác như ̅ , ̅ , ̅ , ,
, ,

,
và
lần lượt là giá trị trung bình biên độ,
pha, thời khoảng, số điểm uốn, độ lệch chuẩn giá trị pha, thời
khoảng, điểm uốn của các APS có ý nghĩa và số APS, đỉnh, điểm
uốn của tín hiệu iEMG được xác định.
Ngoài ra, các thông số đặc trưng cho tín hiệu trong miền phi
tuyến được xác định, đó là hai chỉ số SD1, SD2. Chúng thể hiện độ
phân tán biên độ của các mẫu theo chiều ngang và dọc đường
phân giác trong đồ thị Poincaré. Hình 3.15 mô tả dạng phân bố
của cặp điểm mẫu liên tiếp trên đồ thị Poincaré ở các nhóm tín
hiệu khác nhau.

Hình 3.15. Đồ thị Poincaré của các tín hiệu thuộc các nhóm khác nhau

Theo lý thuyết phân tích Poincaré, với chuỗi dữ liệu
( ) *
+ thì giá trị SD1 và SD2 được tính như sau:
√

(

√

( )

)

(3.17)
(

)

(3.18)

Như vậy, theo phương pháp QEMG được phát triển, mỗi tín
hiệu iEMG sẽ được đặc trưng bởi 14 thông số, gồm: 12 thông số
tính trong miền thời gian và 2 thông số tính trong miền phi tuyến.
3.4. Đánh giá giá trị bộ thông số định lƣợng
Bộ dữ liệu mẫu EMGLab [37] được tác giả sử dụng để đánh
giá hiệu quả của phương pháp đề xuất. Tập này bao gồm 844 bản
ghi tín hiệu iEMG đo tại các cơ chi trên khi co cơ ở mức
30%MVC, bằng thiết bị tiêu chuẩn và theo phương pháp tiêu
13


chuẩn. Các đối tượng đo được xác nhận chắc chắn là thuộc một
trong ba nhóm bệnh lý, là rối loạn thần kinh vận động (ALS),
bệnh do cơ (MYO) và bình thường (NOR). Sau đây là một số kết
quả thử nghiệm phương pháp đề xuất, một số công đoạn được so
sánh với phương pháp khác.
Bảng 3.2. Bảng so sánh chỉ số phân tách các APS của các phương pháp
Phương pháp

̅

̅

Phương pháp Christodoulos [19]

380

26,6

Phương pháp Nikolic [63]

290

32,5

Phương pháp đề xuất

360

26,7

Theo bảng trên, phương pháp này cho phép tách được các
APS có độ dài khác nhau như phương pháp Nikolic [63], trong
khi, các đoạn APS không chứa các đoạn điện thế nghỉ tương tự
phương pháp Christodoulos [19]. Ngoài ra phương pháp này phân
tách APS nhanh hơn phương pháp Nikolic.
N2001A01AP51.bin

N2001A02VL08.bin

N2001A03BB53.bin

N2001M01TF52.bin

N2001M02BB11.bin

N2001C01BB60.bin

N2001C02BB76.bin

…

Bảng 3.4. Bảng trích cơ sở dữ liệu bộ các thông số định lượng tín hiệu

Đơn vị

ALS

ALS

ALS

MYO

MYO

NOR

NOR

…

Đoạn

150

133

212

409

426

492

567

…

Đỉnh

358

218

398

804

1001

964

987

…

Tur

695

553

585

1174

1550

1412

1388

…

̅

mV

0,7164

2,018

0,4051

0,1024

0,0183

0,182

0,0996

…

̅

Pha

3,887

3,135

2,627

2,455

2,185

2,425

1,965

…

̅

ms

10,42

19,96

10,98

7,154

9,007

10,63

8,678

…

̅

Tur

4,633

4,158

2,759

2,87

3,638

2,87

2,448

...

mV

0,2543

1,422

0,3341

0,0418

0,0268

0,080

0,0392

…

Pha

1,421

1,099

1,195

1,328

1,123

1,486

1,216

...

ms

3,511

11,61

4,948

3,647

4,309

5,963

5,149

...

Tur

2,028

2,059

1,347

1,78

2,298

1,9

1,844

…

Tên bảnghi

Thông số
Nhóm

%

14,251

24,253

21,226

26,633

34,965

47,71

44,831

…

mV

0,0057

0,0110

0,0023

0,0014

0,0011

0,002

0,0010

…

mV

0,1176

0,3373

0,1056

0,0297

0,029

0,071

0,0403

…

14


Phân tích QEMG tất cả các bản ghi tín hiệu của tập mẫu, ta
có được tập dữ liệu thông số định lượng mẫu. Để đưa ra các đánh
giá giá trị của các thông số định lượng có được, tác giả thực hiện
các kỹ thuật phân tích thống kê đối với dữ liệu định lượng tập
mẫu có được, bao gồm: (1) mô tả thống kê từng thông số định

giữa các nhóm bằng đồ thị Boxplot, (2) kiểm định sự khác biệt
trung bình tổng thể của từng thông số định giữa các nhóm bằng
kiểm định U-test và (3) kiểm định mối tương quan giữa các thông
số định lượng bằng kiểm định Spearman.
Dưới đây là một số kết quả của phép kiểm định U-test với
dữ liệu định lượng mẫu để thấy có hay không có sự khác biệt có ý
nghĩa thống kê đối với mỗi thông số định lượng giữa các nhóm.
Bảng 3.5. Kết quả kiểm định U-test đối với các thông số định lượng
̅

̅

̅

̅

NORMYO

T

6,76

5,72

3,59

6,84

-0,88

4,91

-4,56

p

6,70E-12

5,30E-09

0,00016

3,90E-12

0,2751

4,50E-07

2,52E-06

NORALS

T

-16,36

-15,08

-6,24

18,07

-13,56

14,72

12,3

p

1,80E-60

1,10E-51

0

0,00E+00

0

0,0E+00

0,00E+00

MYOALS

T

-12,64

-11,47

-9,22

17,82

-13,11

13,97

8,38

p

6,60E-37

9,70E-31

0

0,00E+00

0

0,0E+00

0,00E+00

NORMYO

T

6,53

3,25

6,4

-1,49

7,94

1,517

8,11

p

3,20E-11

0,00058

7,58E-11

0,0687

1,00E-15

0,063

2,2E-16

NORALS

T

15,93

-0,85

12,13

3,79

1,91

11,27

13,19

p

0,00E+00

0,19677

0,00E+00

0,0001

2,80E-02

0

0

MYOALS

T

15,37

2,8

8,65

3,79

-7,18

12,64

16,05

p

0,00E+00

0,00253

0,00E+00

0,0001

3,60E-13

0

0

Nhóm

Theo kết quả kiểm định thấy rằng, phần lớn các thông số
định lượng có sự khác biệt có ý nghĩa thống kê (|T| > 2, p < 0,05)
giữa các nhóm. Chỉ có một vài thông số không có sự khác biệt
giữa hai nhóm, như sp của hai nhóm ALS – NOR , hoặc sT của hai
nhóm NOR – MYO, điều này cũng phù hợp với mô tả thực tế.
Theo kết quả kiểm định Spearman với tập dữ liệu định
lượng mẫu và lý thuyết kiểm định Spearman, tác giả rút ra một số
kết luận sau: các nhóm thông số { ,
,
}, nhóm
{
}, nhóm { ̅ , }, nhóm { ̅ , }, nhóm { ̅ , }, nhóm
{ ̅ , ̅ } và nhóm { ,
,
} có mối tương quan rất cao với
15

nhau (rho > 0,8) và do các giá trị t-star tương ứng đều lớn hơn giá
trị tới hạn (1,96) nên các mối tương quan này có ý nghĩa thống kê.
3.6. Kết luận chƣơng 3
Trên hình 3.17 minh họa các quy trình QEMG của phương
pháp đã có (A và B) và phương pháp được phát triển (C).

Hình 3.17. Các quy trình của các phương pháp QEMG khác nhau

Phương pháp QEMG được phát triển ở đây có quy trình
khác so với một số phương pháp QEMG đã có. Phương pháp
QEMG được phát triển có những đặc trưng như sau:
- Tiền xử lý tín hiệu bằng các bộ lọc số có đáp ứng pha bằng
không, tạo ra dải thông tín hiệu là 20Hz – 2kHz.
- Phát triển phương pháp xác định các thành phần có ý nghĩa
chẩn đoán trong tín hiệu iEMG chi, là các đoạn APS và các
điểm uốn của nó. Phương pháp tự động tách các APS được
phát triển có ưu điểm là: (1) giảm số phép tính giá trị ( )
xuống
lần, đơn giản việc tính ngưỡng để xác định
điểm bắt đầu và kết thúc của mỗi đoạn APS trong tín hiệu
iEMG, và giảm đoạn điện thế nghỉ chứa trong đoạn APS
được phân tách so với phương pháp do Nikolic sử dụng; (2)
cho phép tự động tách được các APS có ý nghĩa chẩn đoán
có độ dài khác nhau, là khả năng mà phương pháp do
Christodoulos sử dụng không thực hiện được.
- Đề xuất bộ 14 thông số đặc trưng cho tín hiệu gồm
,
,
, ̅ , ̅ , ̅ , ̅ , , , , , và
,

và
.
16


CHƢƠNG 4. ĐỀ XUẤT PHƢƠNG PHÁP SỬ DỤNG
CÁC THÔNG SỐ ĐỊNH LƢỢNG TÍN HIỆU CÓ
ĐƢỢC ĐỂ PHÂN LOẠI TÍN HIỆU iEMG CHI THEO
CÁC NHÓM BỆNH LÝ
4.1. Giới thiệu
Để tăng hiệu quả hơn nữa, các mô hình phân loại tín hiệu
dựa trên các thông số định lượng tín hiệu iEMG được sử dụng.
Trong các nghiên cứu trước [8], [15], [21], [40], [48], [67], [74]
các phương pháp phân loại chủ yếu được phát triển dựa trên mạng
Nơron, hoặc máy vectơ hỗ trợ (SVM) và sử dụng nhiều bộ thông
số định lượng khác nhau. Độ chính xác phân loại đã đạt được
khoảng 80% khi phân loại tín hiệu theo ba nhóm ALS, MYO và
NOR. Trong nghiên cứu này, tác giả đã phát triển một số phương
pháp sử dụng các thông số thu được theo phương pháp QEMG
của tác giả đề xuất để phân loại tín hiệu iEMG theo ba nhóm như
trên. Các bộ phân loại và phương pháp phân loại này được phát
triển dựa trên kỹ thuật học máy và phân tích thống kê.
4.2. Phƣơng pháp sử dụng mạng Nơron
4.2.1. Mạng Artifical Neural Network (ANN)
Mô hình xử lý thông tin mạng ANN được cấu trúc theo các
ứng dụng cụ thể, nó có mô hình tổng quát như hình dưới đây.

Hình 4.2. Cấu trúc tổng quát của mạng ANN

Cấu trúc trên có thể mô tả bởi các biểu thức tổng quát sau:

(
)
(4.3)
∑
(4.4)
Trong đó: xk là các tín hiệu đầu vào, netk là hàm tổng, f(.) là
hàm truyền, bk là ngưỡng, wki là trong số liên kết của đầu vào xi
với nơron k và yk là đầu ra.
17


Mô hình ANN-BP (là mạng ANN có cấu trúc truyền thẳng,
sử dụng thuật toán lan truyền ngược và quá trình học máy có giám
sát) được dùng để xây dựng bộ phân loại tín hiệu iEMG chi.
Vectơ đầu vào là các thông số định lượng được lựa chọn, đầu ra
tương ứng các nhóm bệnh lý (xem hình 4.5).
Các thông số định lượng đầu vào sẽ được chuẩn hóa để đảm
bảo điều kiện giá trị trong khoảng [-1 1] theo công thức:
(

( ))
( )

( )

(4.5)

Trong đó: là giá trị chuẩn hóa, là giá trị ban đầu, S là
số lượng các vectơ đặc tính đầu vào được sử dụng để chuẩn hóa,
( ) và

( ) tương ứng với giá trị cực tiểu và cực đại
của phần tử của cả tập dữ liệu. Đầu ra Y được quy ước: ALS là
{1,0,0}T, NOR là {0,1,0}T và MYO là {0,0,1}T

Hình 4.5. Kiến trúc mạng ANN sử dụng để phân loại tín hiệu iEMG

4.2.2. Thử nghiệm và đánh giá
Tập dữ liệu để huấn luyện và thử nghiệm mạng gồm 844 bộ
thông số định lượng của các tín hiệu iEMG chi được chuẩn hóa.

Hình 4.6. Bộ phân loại tín hiệu iEMG ANN-BP 14 đầu vào

18


Nghiên cứu này, tác giả xây dựng bộ phân loại tín hiệu
iEMG sử dụng mô hình mạng ANN-BP với 14 đầu vào tương ứng
với 14 thông số thu được theo phương pháp QEMG được phát
triển, cấu hình của bộ phân loại được thể hiện ở hình 4.6.
Kết quả huấn luyện các bộ phân loại được thể hiện trên ma
trận phân loại và đồ thị ROC hình 4.8. Kết quả thu được cho thấy,
bộ phân loại ANN-BP14 sử dụng 14 thông số định lượng tín hiệu,
phân loại tín hiệu iEMG đạt độ chính xác cao (đạt 84% phân loại
đúng). Độ chính xác phân loại tín hiệu liên quan đến nhóm ALS
là cao nhất (đạt 88,2%), còn độ chính xác phân loại tín hiệu liên
quan đến nhóm MYO thấp hơn cả (đạt 81,6%).

Hình 4.8. Ma trận phân loại, đồ thị ROC của bộ phân loại ANN-BP14

4.3. Phƣơng pháp sử dụng phân tích hồi quy Logistic

4.3.1. Kỹ thuật phân tích hồi quy logistic
Kỹ thuật này cho phép xác định mối liên hệ giữa một biến
phụ thuộc nhị phân với hai hay nhiều biến độc lập. Với các biến
độc lập , ,..,
( có thể liên tục hay không liên tục), mô
hình hồi quy logistic đa biến phát biểu rằng:
( )
∑
(4.8)
Trong đó:
là hằng số và ước lượng giá trị trung bình
( ) khi = 0 ; là số ước lượng độ dốc, cho biết sự
của
( ) đi kèm với một sự thay đổi ở .
thay đổi trung bình của
là sai số mô hình, thường được bỏ qua khi ước tính tham số mô
hình. Đối với một mô hình dữ liệu cụ thể, các thông số trong mô
hình được xác định bởi phương pháp hợp lý cực đại (maximum
19


Likelihood). Theo phương pháp hợp lý cực đại chúng ta sẽ có một
hệ phương trình sau như sau:
∑ (
)
(4.10)
{
∑
(
)

Thay giá trị của tập dữ liệu vào hệ phương trình 4.10 và sử
dụng phương pháp giải hệ phương trình Newton–Raphson các giá
trị ̅ , ̅ của biểu thức xác suất dưới đây được xác định.
̅

(̅

∑

̅

)

(4.13)

Từ đó, ta có thể dễ dàng ước tính được xác suất ̅ của bất
cứ bộ giá trị ( , ,…,
) nào của các biến đầu vào.
4.3.2. Lựa chọn thông số sử dụng cho các biểu thức ̅
Một vấn đề quan trọng mà chúng ta cần xem xét, trước khi
thực hiện xây dựng biểu thức tính xác suất cụ thể bằng kỹ thuật
phân tích hồi hồi quy Logistics, là lựa chọn thông số định lượng
làm các biến đầu vào cho biểu thức xác suất đó. Bởi vì, nếu ta có
k thông số định lượng ta có thể có 2k - 1 phương án chọn tổ hợp
biến đầu vào khác nhau cho một biểu thức xác suất. Theo phương
pháp lựa chọn biến đầu vào của lý thuyết phân tích hồi quy
Logistic, tác giả phát triển giải pháp chọn biến cho các biểu thức
xác suất dùng trong mô hình phân loại tín hiệu iEMG chi, là: (1)
các biến được lựa chọn phải có sự khác biệt có ý nghĩa thống kê
giữa các nhóm phân loại và (2) các biến được chọn tương ứng với

các thông số mà có độ tương quan không rất cao (rho < 0,8).
Dựa trên kết quả kiểm định U-test và Spearman thử trên tập
dữ liệu mẫu và áp dụng giải pháp được phát triển, ta có thể chọn
một trong hai bộ thông số là {
̅ , ̅ , ,
}, hoặc {
, ̅ ,
̅ , ,và
} biến đầu vào của các biểu thức xác suất. Trong đó:
 Biểu thức xác suất để phân loại tín hiệu thành hai nhóm là
nhóm ALS và không phải ALS thì nên dùng bộ thông số
{
, ̅ , ̅ , ,
}.
 Biểu thức xác suất để phân loại tín hiệu thành hai nhóm là
nhóm MYO và không phải MYO thì nên dùng bộ thông
số {
, ̅ , ̅ , ,
}.
20


4.3.2. Thử nghiệm và đánh giá
Một phần dữ liệu lấy từ tập mẫu được sử dụng để xây dựng
các biểu thức tính xác suất tín hiệu thuộc về nhóm ALS (là PALS)
và nhóm MYO là (là PMYO). Biến độc lập là các thông số định
lượng được lựa chọn theo phương pháp giảm biến đầu vào được
tác giả đề cập ở phần trên. Trong đó:
 Khi xây dựng biểu thức PALS, biến đầu vào sẽ là 5 thông
số định lượng

, ̅ , ̅ , ,và
. Biến phụ thuộc
yi = 1 khi tín hiệu thuộc nhóm ALS, còn khác yi = 0. Sử
dụng các công cụ chuyên dụng ta xác định được biểu
thức:
̅



(

̅

(4.14)

)

Khi xây dựng biểu thức PMYO, biến đầu vào sẽ là 5
thông số định lượng
, ̅ , ̅ , ,và
. Biến phụ
thuộc yi = 1 khi tín hiệu thuộc nhóm MYO, còn khác yi
= 0. Sử dụng các công cụ chuyên dụng ta xác định được
biểu thức:
̅

(

̅

)

(4.15)

Hình 4.12 mô tả sự phân bố giá trị PALS và PMYO được tính
theo công thức 4.14 và 4.15 của các nhóm tín hiệu trong tập mẫu.

Hình 4.12. Đồ thị phân bố giá trị xác suất PALS và PMYO

21


Như vậy, với một tín hiệu iEMG (được đo và phân tích
QEMG theo phương pháp tương tự như các dữ liệu mẫu, dùng để
xây dựng các biểu thức ̅ ) bất kỳ, ta có thể dễ dàng tính được các
chỉ số PALS, PMYO dựa trên các thông số định lượng của nó. Với
các chỉ số xác suất PALS và PMYO có được mỗi tín hiệu iEMG chi sẽ
được phân loại như sau:
1.
Nếu phân loại tín hiệu theo hai nhóm ALS và không phải
ALS, hoặc MYO và không phải MYO ta chỉ cần so sánh chỉ
số PALS hoặc PMYO với một ngưỡng cụ thể. Khi đó, tín hiệu
thuộc nhóm ALS hoặc MYO nếu chỉ số xác suất tương ứng
lớn hơn ngưỡng được chọn trước đó.
2.
Nếu phân loại tín hiệu theo ba nhóm, ta sử dụng hai chỉ số
xác suất theo luật sau: (1) nếu PALS > PMYO và PALS > PALSn
thì tín hiệu thuộc nhóm ALS, (2) nếu PMYO > PALS và PMYO
> PMYOn thì tín hiệu thuộc nhóm MYO và (3) nếu không
thỏa mãn các điều kiện trên thì tín hiệu thuộc nhóm NOR.

Thử nghiệm phân loại tín hiệu trong tập mẫu theo hai cách
như trên ta có được kết quả phân loại như sau:
Bảng 4.8. Bảng phân loại theo hai nhóm ALS và khác ( ̅

Nhóm ALS Thực tế
Nhóm khác ALS thực tế
Tổng
Độ chính xác

Kết quả tiên đoán
Nhóm ALS
Nhóm khác ALS
43
236
25
540
261
583
0,846
0,956

Bảng 4.9. Bảng phân loại theo hai nhóm MYO và khác ( ̅
Kết quả tiên đoán
Nhóm MYO thực tế
Nhóm khác MYO thực tế
Tổng
Độ chính xác

Nhóm MYO
188

79
267
0,76

Nhóm khác MYO
62
515
577
0,87

= 0,45).
Tổng
279
565
844
0,92
= 0,45).
Tổng
250
594
844
0,84

Độ chính xác khi phân loại tín hiệu theo hai nhóm cao hơn
(92% theo ALS và 84% theo MYO) so với theo ba nhóm (79%).
22


Bảng 4.11. Bảng phân loại tín hiệu theo ba nhóm (PALSn = PMYOn = 0,45)

Thực
tế

ALS
NOR
MYO
Tổng
Độ chính xác

ALS
236
13
12
261
0,85

Tiên đoán
NOR
32
224
52
308
0,75

MYO
11
61
203
275
0,76

Tổng
279
298
267
844
0,79

Áp dụng phương pháp phân loại dùng mạng ANN-BP với 5
đầu vào là {
, ̅ , ̅ , ,
}, theo cách thức tương tự như
với 14 đầu vào đã phân tích ở trên. Kết quả thu được cho thấy độ
chính xác phân loại của hai phương pháp tương đương nhau (xấp
xỉ 80%), tuy nhiên, phương pháp phân loại được xây dựng bằng
kỹ thuật phân tích hồi quy logistic đơn giản, trực quan, dễ áp dụng
thực tế hơn.
4.4. Kết luận chƣơng 4
Các phương pháp phân loại sử dụng các thông số định
lượng được xây dựng dựa trên mạng ANN và phân tích hồi quy
Logistic cho phép phân loại tín hiệu iEMG chi theo các nhóm
bệnh lý và bình thường đạt độ chính xác cao. Các phương pháp
được thử nghiệm trên dữ liệu mẫu đã đạt độ chính xác trên 80%
khi phân loại tín hiệu theo ba nhóm ALS, MYO và NOR.
_________

KẾT LUẬN
Nghiên cứu được trình bày trong luận án này đã đạt được
các mục tiêu đặt ra. Các đóng góp chính của luận án này là:
1. Phát triển được phương pháp định lượng tín hiệu iEMG

chi gồm 3 bước là tiền xử lý, phân tách các thành phần có
ý nghĩa trong tín hiệu và tính các thông số định lượng dựa
trên các thành phần có ý nghĩa có được. Phương pháp này
có ưu điểm hơn một số phương pháp trước đó, như:
a. Cho phép giảm số phép toán, giảm số bước tính toán,
giảm sự can thiệp vào quá trình phân tích mà vẫn thu
23